飞雪的博客

1. 标准Gram-Schmidt正交化function [v]=GS1(A)v(:,1)=A(:,1)/norm(A(:,1));%归一化[Ahang,Alie]=size(A); %矩阵的行和列for k=2:Alie %求解第j列正交向量    res(:,1)=A(:,k);    for i=1:k-1%减去待求向量在以求向量上的投影        res=r

DFT的的正变换和反变换分别为（1）和（2）式。假设有N个数据，则计算一个频率点需要N次复数乘法和N-1次复数加法，整个DFT需要N*N次复数乘法和N（N-1）次复数加法；由于一次的复数乘法需要进行4次的实数乘法和2次的复数加法，一次的复数加法需要两次的实数加法，因此整个DFT需要4*N*N次的实数乘法和2*N（N-1）+2*N*N≈4*N*N次的复数加法。当N比较大时，所需的计算工作量相当大，例

1.首先安装VS2019，可以直接安装Community版本，直接注册一个微软账号即可免费使用。2.到OpenCV官方网站下载已经编译好的Windows版本文件opencv-4.3.0-vc14_vc15.exe3.下载完毕后可以解压到C盘或D盘均可。4.配置解压后的路径：C:\opencv\build\x64\vc15\lib到系统Path5.复制VC15\bin下面的opencv_videoio_ffmpeg430_64.dll、opencv_world430.dll和opencv_wo

python-igraph创建网络（图）前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结创建网络1.默认构造函数创建，给出顶点数、边列表、方向标志、图属性、节点属性、边属性2.连接矩阵创建图，给出邻接矩阵和创建模式3.非对称定点类型和连接分布创建图4.产生Atlas图5.Barabasi图6.Bruijn图7.根据度序列产生图8.ER随机图9.根据生长模型产生图10.产生几个Famous图11.根据森林火灾模型产生图12.产生完全图13.产生完全引用图14.

假设：1）群体均匀混合，节点类型包括健康节点s、染病节点i和具有抗体的恢复节点r2）染病节点以概率传染给健康节点3）染病节点以概率康复称为具有抗体的节点或消亡，不会再染病动力学方程：特点：1）传染病最终消亡。2）刚开始时会近似指数上升。3）基本再生系数可描述感染高峰期染病节点比例采用scipy数值求解动力学方程import numpy as npimport scipy.integrate as spiimport matplotlib.pyplot

方程SI模型假设：1）节点均匀混合2）感染后染病状态不再改变3）接触病原体后以一定概率感染：4）初始状态的人群感染密度为：则感染过程动力学方程为：如果设初始感染密度为则感染密度随时间增长规律为：特点：1）感染密度随着时间指数上升直到趋近于全部感染2）易感染密度下降到原来的（约36%）所需的特征时间为采用sicpy数值求解动力学方程：import numpy as npimport scipy.integrate as spiimport matplotl

python-igraph矩阵操作创建连接矩阵1.直接给出数据列表创建矩阵2.创建相同元素矩阵3.创建0元素矩阵4.创建单位矩阵矩阵操作创建连接矩阵igraph中Matrix是个独立的数据类型，与python或numpy中的矩阵不同，这边通常用于进行网络构建。第一种创建连接矩阵的方法是直接给出二维矩阵元素列表。1.直接给出数据列表创建矩阵import igraph as iga=ig.Matrix([[1,0,0],[0,1,0],[0,0,1]])print(a)输出[[1, 0, 0]

假设：1）节点均匀混合2）已感染节点以固定概率康复后继续成为易感染节点：3）病原体感染健康节点的概率为：动力学方程：特点：1）当康复率较低时，系统最终将处于动态平衡，也就是病原体将长期存在。2）当康复率较高时，系统最终将消灭病原体，因为单位时间内治愈的节点将多于新增节点。3）采用基本再生数可表征最终达到的系统平衡状态，其基本意义是理想环境下一个易感染个体所引发的新增感染个体数。采用scipy数值求解动力学方程import numpy as npimport sci